Typické chyby se opakují: otevřený dokument na obrazovce, když odcházíte od stolu; tiskárna, která nechá papír ve výstupním zásobníku; koš, do kterého se vyhazuje vytištěná sestava bez skartace. U digitálních dokumentů je to smazání pouze do koše, aniž by se přepsal nosič, a ukládání na veřejně přístupné USB flash disky. Nedělejte ani to, že si citlivé údaje přepisujete do poznámek v telefonu nebo do zpráv s kolegy. Každá taková kopie je nové místo, které může uniknout.<br>
<br>
<br>
<br>
Naskenovaný dokument s rozpoznaným textem vypadá jako hotová práce, ale ve skutečnosti je to jen první návrh. Optické rozpoznávání znaků funguje spolehlivě na čistém strojovém písmu, horší je to s tabulkami, razítky, rukopisnými poznámkami a špatným rozlišením. Pokud text rovnou zkopírujete do výsledného souboru, chyby se rozšíří dál a jejich hledání zabere víc času než kontrola předem. Proto se vyplatí brát výstup z rozpoznávání jako surovinu, kterou je nutné projít.<br>
<br>
<br>
<br>
Prvním krokem je inventura. Vezměte poslední tři měsíce a spočítejte, kolik hodin padlo na nábor, evidence dovolených, přípravu smluv, nástupy a výstupy, školení a reporty pro vedení. U každé činnosti si poznamenejte, kolik kroků obnáší a kdo je schvaluje. Zjistíte, že většina rutiny se točí kolem sběru dat a jejich přepisování mezi systémy. Právě tam se automatizace vyplatí nejdřív. Naopak pohovory, hodnocení nebo řešení konfliktů zůstávají na lidech – těm se automatizace vyhýbá.<br>
<br>
<br>
<br>
Začněte tím, že si vstup rozložíte na jednotlivé části. Zvlášť oddělte zadání, kontext a požadovaný výstup. U každé části si položte otázku, zda je jednoznačná. Typická chyba je věta typu „udělej to lépe, ale stručně a zároveň podrobně". Model dostane dva vzájemně se vylučující pokyny a výsledek je kompromis, který nevyhovuje ani jednomu. Stejně problematické je odkazovat na něco, co v dotazu vůbec není, například „uprav ten odstavec" bez vloženého odstavce.<br>
<br>
<br>
<br>
Kde se automatizace lá<br>
<br>
<br>
<br>
Základem je sběr dat z více míst, kde se recenze objevují. Nejde jen o jeden portál, ale o všechna místa, kam zákazníci píší. Texty je pak potřeba rozdělit na jednotlivé věty nebo krátké úseky. teprve na úrovni věty poznáte, zda jde o chválu, stížnost nebo neutrální popis. Zaměřte se na výrazy nesoucí emoce: slova jako „zklamání", „překvapení", „rychle", „zbytečně" mají větší váhu než obecné „dobré" nebo „špatné".<br>
<br>
<br>
<br>
Výstupy analýzy sentimentu mají smysl jen tehdy, když vedou k akci. Sledujte, zda se nálada v čase zlepšuje nebo zhoršuje, a to i podle jednotlivých témat. Když napříč recenzemi opakovaně vystupuje stejná negativní emoce, je to konkrétní podnět ke změně. Naopak silně pozitivní sentiment u určité vlastnosti je signál, že ji máte komunikovat výrazněji. Analýza není jednorázová záležitost, ale pravidelný proces, který se vyplácí jen s trpělivostí a ochotou upravovat vlastní postup.<br>
<br>
<br>
<br>
Pozor na dvě časté pasti. První je vkládání celého dlouhého textu bez označení, co je kontext a co je zadání. Druhá je opakované posílání stejného dotazu s nadějí, že výsledek bude jiný. Pokud se výstup nemění, není problém v náhodě, ale v zadání. Zkuste vstup přepsat vlastními slovy, zkraťte ho na polovinu a odstraňte všechny přívlastky, které nic neznamenají. Tím zjistíte, která část dotazu výsledek ve skutečnosti řídí.<br>
<br>
<br>
<br>
Kde se analýza sentimentu nejčastěji pokazí Prvním typickým selháním je slepé spoléhání na automatický nástroj. Čeština má složitou negaci a ironii. Věta „to tedy bylo rychlé" může znamenat obdiv i výčitku. Bez ruční kontroly vzorku recenzí se dopustíte chyb, které zkreslí celkový obrázek. Druhou chybou je ignorování kontextu. Stejná slova mohou mít jiný význam u levného doplňku a u drahé služby. Třetí chybou je práce pouze s průměrným skóre. Průměr schovává rozdíly mezi skupinami zákazníků.<br>
<br>
<br>
<br>
Postupujte prakticky: nejprve si definujte, co chcete měřit. Může jít o celkovou náladu, ale i o dílčí témata – dodání, komunikaci, kvalitu. Potom označte vzorek recenzí ručně a teprve podle něj nastavte pravidla pro automat. Výsledky průběžně porovnávejte s původními texty. Pokud se rozcházejí, upravte slovník nebo přidejte vlastní seznam výrazů specifických pro váš obor.<br>
<br>
<br>
<br>
Když ani po úpravě vstupu nepřijde použitelná odpověď, ověřte, zda nejde o chybu na straně modelu. Typickým signálem je, že model ignoruje jasnou instrukci i po jejím zopakování, nebo že si vymýšlí údaje, které jste nedodali. V takovém případě pomůže rozdělit úlohu na menší kroky a každý ověřit zvlášť. Než začnete obviňovat nástroj, projděte si vlastní zadání větu po větě. Většina oprav spočívá v tom, že se vstup zkrátí, zpřesní a zbaví protikladů.
